2023年大型语言模型：围绕ChatGPT的一场讨论

不可否认，ChatGPT引起了全世界的关注。但是，ChatGPT作为大型语言模型（LLM）的成员之一，它是否具有在2023年成为商业变革力量的持久力？我们看看预测专家群体，探求可能发展的方向。

Lightning AI的首席技术官Luca Antiga预计，2023年，LLM的投资将激增。Lightning AI开发了一个训练和部署AI的平台。

像GPT-3和BERT这样的LLM通过以触发模式来解决特定问题（如数学测验）的方式输入文本，显示出执行复杂任务的能力。Antiga说。LLM被认为是‘大型’的，因为无法将其加载到单个设备上，并且在训练模型时经常会遇到相应的困难。2023年，我预计寻求资金或将现有资金重新分配到专门用于创建和训练单个LLM的预算中的初创公司和老牌企业的数量将大幅增加。

商业分析软件和服务提供商ThoughtSpot的联合创始人兼首席技术官Amit Prakash表示，得益于LLM，狭义人工智能将得到更广泛的应用。

Prakash说：到目前为止，商业环境中的人工智能要么被用于预测任务（预测、欺诈、点击、转换），要么被用于自动化低技能任务。大多数应用程序的领域都非常狭窄，通常需要大量的功能工程才能正确实现，而且只有在大规模情况下才有意义。

GPT-3等LLM和DALL-E等生成模型正在改变游戏规则，我们预计人工智能将在未来几年触及商业的几乎每一个方面。人工智能模型可以用来吸收大量知识，并在任何时候战略性地部署它，只要它能改善结果，从回答特定问题到通过自动化来帮助人类完成高度创造性的任务。

人们担心LLM会使作家过时。根据医疗AI公司AKASA的首席技术官兼联合创始人Varun Ganapathi的说法，LLM实际上会帮助人们更有创造力。

Ganapathi表示，我们很可能会看到更多的解决方案，比如GitHub Co-Pilot，LLM能够以有意义的方式帮助人们。这些工具并不能解决所有问题，但它们将有助于解决最初的写作障碍。当你盯着空白页时，通常很难开始。但如果你能描述提示或问题，并且模型输出了一些东西，它可能会给你一个好的启示，并向你展示一些你可以使用的东西，即使它不完全符合你的需要。提示工程（即使用正确的起始文本指导模型）将成为一种使用自然语言编写程序的新方式。

我认为人工智能将在许多领域以这种或类似的方式提供帮助，这非常有趣，他继续说道。人们认为人工智能的最大障碍是创造力，但具有讽刺意味的是，它可能恰恰相反。人工智能可能会帮助我们变得更有创造力——通过为我们灌输可以用于建立和完善的初始想法。

人工智能驱动的图形计算公司Katana Graph的联合创始人兼首席执行官Keshav Pingali表示，无障碍是新一代人工智能技术的另一大优势。

Pingali表示：ChatGPT最近的人气飙升被认为是在提供安全、有用的人工智能系统方面的一个重大突破，非技术用户可以通过对话方式访问这些系统。2023年，可以预计会有更多的模型面世，因为用户和人工智能助手之间的数据将找到改进部门（包括营销、销售、人力资源和其他部门）工作方式的方法。

组织将面临更大的压力来实现人工智能的价值，尽管人工智能已经在所有行业中牢牢扎根，从金融服务到医疗保健和其他行业。但许多组织仍在努力将人工智能概念证明转变为全面生产。2023年，业务/IT决策者将专注于更紧密的合作，以真正解决公司问题和需求。

Five9首席技术官Jonathan Rosenberg表示，ChatGPT将彻底改变联络中心，但不会改变你的想法。Rosenberg是SIP（会话发起协议）的共同作者，该协议用于IP语音（VOIP）通信。

聊天机器人是ChatGPT的明显应用，但它们可能不会是第一个应用。为什么？首先，ChatGPT今天可以回答问题，但它不能采取行动。当一个用户联系一个品牌时，他们有时只是想得到答案，但通常他们还想做些什么。比如处理退货、注销账户或转移资金。这最终会成为可能吗？毫无疑问。但目前还不行。其次，当用于回答问题时，ChatGPT可以根据互联网上的知识来回答。但它无法获取非在线的知识。通常有时，客户咨询是关于他们在网上找不到的信息，这就是他们打电话的原因。最后，ChatGPT擅长生成文本，从现有在线信息中创建新内容。当用户接触一个品牌时，他们不想要创造性的输出，他们想要立即行动。所有这些都将得到解决，但这确实意味着第一个用例可能不是聊天机器人！

缺乏高质量的标记数据阻碍了人工智能的发展。但Evinced首席科学家Yossi Synett表示，新的训练技术有望推动进步。

Synett说：我们在寻找方法，通过自我监督学习对模型进行预训练，然后根据特定任务对模型进行微调。这方面最好、最有效的例子是NLP（自然语言处理），其中的技术称为掩蔽语言建模（使模型预测句子中的隐藏单词）和因果语言建模（让模型预测句子的下一个单词）。完全改变了游戏。由于自我监督学习不需要标记数据，而微调需要的标记数据要少得多，这使得训练复杂模型变得更加容易。补充这一点的是可以用于更好地选择标签示例的新技术，这进一步减少了利用人工智能的成本障碍。

Cognigy的业务发展和战略高级副总裁Hardy Myers表示，得益于大型语言模型，我们正在进入一个新的客户服务时代。

大型语言模型使对话型人工智能能够实时创建答案，从而提高参与度和敏捷度。作为一项成熟的技术，人工智能不仅能够理解客户的需求，而且能够实时定制响应和见解。对话式人工智能将超越知识管理，转向代理人授权，缓解疲惫的员工，提高客户满意度。通过自动化日常任务，对话式人工人工智能将解放所有行业的代理人，让他们从事更具吸引力和更复杂的客户服务任务。这不仅会提高解决方案得分，提高客户忠诚度，而且会提高代理人的工作满意度。

InMoment旗下Lexalytics负责人Jeff Catlin表示，2023年，人工智能将最终获得投资回报。

技术支出的放缓将以两种方式表现在人工智能和机器学习上：主要的新人工智能方法和突破将放缓，而人工智能创新将走向‘产品化’。我们将看到人工智能变得更快、更便宜，这是因为创新进入了使深度学习应用成本更低的技术，并通过DistilBERT等模型实现了更快的应用，在这种模型中，精度降低了一点，但对GPU的需求减少了。